非原创，本文内容为网络搜集汇总整理，仅作为个人的学习记录，如有侵权，立即删除
LCN（Longest Continuous no-click Num）：连续展现不点击
PNR（Positive Negative Rate）：正逆序比 = 正序数 / 逆序数
COPC（Click over Prediceted Click）：实际点击率/模型预测点击率，衡量model整体预估的偏高或偏低，越接近1越好，常应用于展示广告
pCTR（Predict Click-Through Rate）：预测点击率
RMSE（Root Mean Square Error）：均方根误差，衡量观测值同真值之间的偏差。观测值与真值偏差的平方和与观测次数m比值的平方根
SD（Standard Deviation）：标准差，方差的算术平方根。标准差用于衡量一组数自身的离散程度，均方根误差用于衡量观测值同真值之间的偏差
R-square：确定系数
ROC（Receiver Operating Characteristic）：
- 横坐标：假正率（False positive rate，FPR），FPR = FP/(FP + TN)，代表所有负样本中错误预测为正样本的概率，假警报率
- 纵坐标：真正率（True positive rate，TPR），TPR = TP/(TP+FN)，代表所有正样本中预测正确的概率，命中率
AUC（Area Under Curve）：即为ROC曲线下的面基。AUC越接近1，分类器性能越好
衡量推荐系统的目标及对应评估指标：
1. 准确率，消费率：点击率、完成率；互动率：点赞率、收藏率、转发率、评论率、关注率
2. 丰富度，人均消费：人均使用时长、人均内容消费量（只有内容足够丰富，人均消费指标才会高，否则容易腻）
3. 权威度，内容全非：权威内容的曝光占比高；低质率：低质内容曝光占比低；投诉率：告置信用户举报少，负面评论少
4. 多样性，个性多样性：当日用户推荐列表的平均多样性；系统多样性：各主题内容被推荐的占比
5. 时效性，时效性强：时效性内容曝光占比高；推荐时延：文章从发布到推荐给用户的时延低
6. 商业价值，ARPU
7. 基尼系数，内容的基尼系数，系统的基尼系数越低说明推荐越均匀
8. 精细度，用户行为内容中非历史行为的内容占比，其主题不属于用户历史上感兴趣的主题
9. 新颖性，用户反馈旧闻重复的比例低
网友评论